CN113554501A - 基于大数据的数字金融业务策略推送方法及系统 - Google Patents
基于大数据的数字金融业务策略推送方法及系统 Download PDFInfo
- Publication number
- CN113554501A CN113554501A CN202111028031.4A CN202111028031A CN113554501A CN 113554501 A CN113554501 A CN 113554501A CN 202111028031 A CN202111028031 A CN 202111028031A CN 113554501 A CN113554501 A CN 113554501A
- Authority
- CN
- China
- Prior art keywords
- strategy
- user
- target
- item
- digital financial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
Abstract
本申请提供一种基于大数据的数字金融业务策略推送方法及系统,所述方法包括:向测试用户集合推送目标数字金融业务策略,确定用户对目标数字金融业务策略进行选用的目标选择意愿衡量参数的数值;确定用户决策偏好项分别对目标选择意愿衡量参数的决策权重;从用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项;根据目标决策偏好项,从用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向待推送用户发送目标数字金融业务策略。如此,可以较为准确地确定出能够左右用户选择目标数字金融业务策略的用户决策偏好项,进而确定出可能需要目标数字金融业务策略的待推送用户,实现高效率高时效性的数字金融业务策略和用户的匹配推送。
Description
技术领域
本申请涉及金融大数据处理领域,具体而言,涉及一种基于大数据的数字金融业务策略推送方法及系统。
背景技术
随着社会经济水平的不断提高,越来越多的个人或家庭开始有余力关注各种数字金融业务中。相应地,金融信息的种类也越来越丰富。不同的金融业务具有不同的金融业务项,例如,包括不同的金融理财产品、具有不同的投资分配比例等等。这就导致了不同的金融业务策略具有不同针对性,例如具有不同风险、投资门槛、收益周期等等,不同的金融业务。而不同的用户也可能具有不同的收入水平、风险承受能力、预期收益周期、预期收益比例等等。因此,不同的用户根据其自身情况的不同,对数字金融业务策略的需求是不同的。在面对大量的用户需要寻找适合自身的金融业务策略时,如何为合适的用户确定合适的数字金融业务策略或者数字金融业务策略,成为亟待解决的问题。
在一些传统的数字金融业务策略推送方案中,常通过对用户自身上报的数据和数字金融业务策略自身的属性进行匹配,确定需要推送给用户的目标数字金融业务策略。但是,这种推送方式严重依赖于人工事先预设的用户自身上报数据和数字金融业务策略自身的属性的匹配对应关系,但是市场变化速度快,影响用户决策的信息变化快,传统的实现预设匹配规则的方式难以应对快速变化的决策规律。
发明内容
为了克服现有技术中的上述不足,第一方面本申请提供一种基于大数据的数字金融业务策略推送方法,所述方法包括:
从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定用户对所述目标数字金融业务策略进行选用的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量;
根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重;
根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项;
根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向所述待推送用户发送所述目标数字金融业务策略。
结合第一方面,在一种可能的实现方式中,在所述向所述测试用户集合中的多个用户推送目标数字金融业务策略的步骤之前,所述方法还包括:
获取各个数字金融业务策略各自的策略项集合,所述策略项集合包括数字金融业务策略的各项金融策略项;
根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱;所述策略信息知识图谱用于指示所述各个数字金融业务策略在对应的金融策略项下的关联关系;
对所述各项金融策略项分别对应的策略信息知识图谱进行聚类处理,得到所述各项金融策略项各自的数字金融业务策略分类集合,所述数字金融业务策略分类集合包含按照对应的金融策略项划分的各个数字金融业务策略分类;
根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值;
根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值;
根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略。
结合第一方面,在一种可能的实现方式中,所述根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱的步骤,包括:
根据所述各个数字金融业务策略各自的策略项集合中的第二金融策略项的策略项参数,生成所述第二金融策略项对应的策略特征无向图,所述第二金融策略项是所述各项金融策略项中的任意一项;所述第二金融策略项对应的策略特征无向图中包含所述各个数字金融业务策略分别对应的数字金融业务策略节点、所述第二金融策略项的各种策略项参数对应的策略项节点、以及所述数字金融业务策略节点与所述策略项节点之间的连接关系;所述数字金融业务策略节点与所述策略项节点之间的连接关系用于指示对应的数字金融业务策略具有对应的策略项参数;
根据各个所述策略项节点的相邻节点的数量,获取各个所述策略项节点的重要程度值;所述策略项节点的相邻节点是与所述策略项节点之间通过连接关系相连的数字金融业务策略节点;
根据各个所述数字金融业务策略节点的相邻节点的重要程度值,获取各个所述数字金融业务策略节点的重要程度值;所述数字金融业务策略节点的相邻节点是与所述数字金融业务策略节点之间通过连接关系相连的策略项节点;
根据各个所述策略项节点的重要程度值,以及各个所述数字金融业务策略节点的重要程度值,生成第一节点映射概率值集合;所述第一节点映射概率值集合用于指示各个所述数字金融业务策略节点分别向各个所述策略项节点映射的概率;
根据各个所述策略项节点的相邻节点的数量,生成第二节点映射概率值集合;所述第二节点映射概率值集合用于指示各个所述策略项节点分别向各个所述数字金融业务策略节点映射的概率;
将所述第一节点映射概率值集合与所述第二节点映射概率值集合相乘,得到第三节点映射概率值集合,所述第三节点映射概率值集合用于指示各个所述数字金融业务策略节点之间的映射概率;
根据所述第三节点映射概率值集合,在各个所述数字金融业务策略节点之间进行带重启的随机游走,得到各个所述数字金融业务策略节点之间的概率分布;
将各个所述数字金融业务策略节点之间的概率分布叠加到各个所述数字金融业务策略节点之间的连接关系的重要程度值上,得到所述第二金融策略项对应的策略信息知识图谱;
其中,在根据所述第二金融策略项对应的策略特征无向图,生成所述第二金融策略项对应的策略信息知识图谱之前,还包括:
针对对应的策略项参数在取值区间具有相关性的所述第二金融策略项,通过自动分割法对各个所述策略项节点进行合并;
针对对应的所述策略项参数在取值空间中呈对数增长态势的所述第二金融策略项,通过指数增长分段法对各个所述策略项节点进行合并。
结合第一方面,在一种可能的实现方式中,所述根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值的步骤,包括:
获取目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量;所述目标数字金融业务策略分类是所述各个数字金融业务策略分类中的任意一个;所述目标策略项参数数量是对应标的金融策略项的策略项参数的数量;
获取所述目标数字金融业务策略分类的策略项参数数量分布均方差,所述策略项参数数量分布均方差是所述目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量的分布均方差;
对所述标的金融策略项对应的各个数字金融业务策略分类的策略项参数数量分布均方差做归一化处理;
将所述目标数字金融业务策略分类的策略项参数数量分布均方差的归一化结果,作为所述目标数字金融业务策略分类的数字金融业务策略分类标识值;
所述根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值的步骤,包括:
获取目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值;所述目标数字金融业务策略是所述各个数字金融业务策略中的任意一个;
根据所述目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值,构建所述目标数字金融业务策略的带权策略项向量;
将所述目标数字金融业务策略的带权策略项向量的归一化长度,作为所述目标数字金融业务策略的数字金融业务策略个体标识值。
结合第一方面,在一种可能的实现方式中,所述根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略的步骤,包括:
将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于预设阈值的数字金融业务策略,识别为所述目标数字金融业务策略;或者
将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于标识值均值的数字金融业务策略,识别为所述目标数字金融业务策略;所述标识值均值是所述各个数字金融业务策略的数字金融业务策略个体标识值的平均值。
结合第一方面,在一种可能的实现方式中,所述根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重的步骤,包括:
获取向所述测试用户集合推送所述目标数字金融业务策略之前各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值,以及向所述测试用户集合推送所述目标数字金融业务策略之后各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值;
确定所述目标选择意愿衡量参数的数值的变化值;
根据所述目标选择意愿衡量参数的数值的变化值,确定所述测试用户集合中的正反馈用户集合,所述正反馈用户集合为对应的目标选择意愿衡量参数的数值增大的用户的集合;
针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量;
根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度;
根据所述负向影响程度确定所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,其中,所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重和所述负向影响程度负相关。
结合第一方面,在一种可能的实现方式中,所述用户决策偏好项包括类别类型的用户决策偏好项,所述类别类型的用户决策偏好项的用户决策偏好项取值对应于至少两个类别;
所述针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量的步骤,包括:
针对所述类别类型的用户决策偏好项,统计所述类别类型的用户决策偏好项的多个类别中每个类别对应的用户数;根据所述正反馈用户集合的用户数和每个所述类别对应的用户数,确定所述正反馈用户集合中每个类别对应的用户数量;所述用户决策偏好项还包括数值类型的用户决策偏好项;
针对所述数值类型的用户决策偏好项,根据所述数值类型的用户决策偏好项的用户决策偏好项取值范围,确定多个数值范围拆分点;针对每个数值范围拆分点,将所述数值类型的用户决策偏好项的用户决策偏好项取值范围划分为两个数值范围;根据所述正反馈用户集合的用户数和每个数值范围对应的用户数,确定所述正反馈用户集合中每个数值范围对应的用户数量;
所述根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度的步骤,包括:
针对每个所述数值范围拆分点,根据所述数值范围拆分点对应的每个数值范围对应的用户数量,确定所述数值类型的用户决策偏好项按照所述数值范围拆分点拆分时对所述目标选择意愿衡量参数的第一负向影响程度,得到多个第一负向影响程度;
将多个所述第一负向影响程度中最小值,确定为所述数值类型的用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度。
结合第一方面,在一种可能的实现方式中,所述根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项的步骤,包括:
根据多个所述用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中确定出决策权重最大的目标用户决策偏好项;
针对所述目标用户决策偏好项的每个用户决策偏好项取值,根据正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定每个所述用户决策偏好项取值中用户数量大于用户数量阈值的目标决策偏好项取值;
根据对所述正反馈用户集合中目标测试用户的用户决策偏好项分析,确定多个非目标用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,所述目标测试用户为所述正反馈用户集合中目标用户决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的用户,多个所述非目标用户决策偏好项为多个所述用户决策偏好项中除所述目标用户决策偏好项以外的用户决策偏好项;
根据多个所述非目标用户决策偏好项,重复执行目标用户决策偏好项确定步骤和目标用户决策偏好项的目标决策偏好项取值的确定步骤,直至筛选出预设决策偏好项数量个目标用户决策偏好项,将所述预设决策偏好项数量个目标用户决策偏好项作为所述目标决策偏好项。
结合第一方面,在一种可能的实现方式中,所述根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户的步骤,包括:
根据所述目标决策偏好项的每个用户决策偏好项取值,从每个所述用户决策偏好项取值中筛选出对应的用户在所述正反馈用户集合中用户数量大于用户数量阈值的目标决策偏好项取值;
根据所述目标决策偏好项的目标决策偏好项取值,从所述用户集群中筛选出目标决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的待推送用户。
本申请的另一目的在于提供一种基于大数据的数字金融业务策略推送系统,所述系统包括:
数据获取模块,用于从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定所述目标数字金融业务策略的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量;
数据处理模块,用于根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重;根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项;
推送模块,用于根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向所述待推送用户发送所述目标数字金融业务策略。
相对于现有技术而言,本申请具有以下有益效果:
本申请提供了一种基于大数据的数字金融业务策略推送方法及系统,通过向少量测试用户组成的测试用户集合推送目标数字金融业务策略,确定出用户所具有的不同的用户决策偏好项中对用户选择使用目标数字金融业务策略具有较大影响的目标决策偏好项,再根据目标决策偏好项确定出待推送用户,并向待推送用户推送目标数字金融业务策略。如此,可以较为准确地确定出能够左右用户选择目标数字金融业务策略的用户决策偏好项,进而确定出可能需要目标数字金融业务策略的待推送用户,实现高效率高时效性的数字金融业务策略和用户的匹配推送。
更多地,在本实施例中还可以先通过按照不同种类的金融策略项,分别对各个数字金融业务策略进行数字金融业务策略分类划分,并结合每个数字金融业务策略分类中的数字金融业务策略的金融策略项,确定各个数字金融业务策略分类的标识值,再通过数字金融业务策略所在的数字金融业务策略分类的标识值,确定数字金融业务策略的标识值,进而根据数字金融业务策略的标识值进行目标数字金融业务策略识别,由于在不同的金融策略项下,数字金融业务策略的数字金融业务策略分类划分也可能不同,而本实施例提供的方案中,数字金融业务策略在不同金融策略项下的数字金融业务策略分类划分情况,综合确定数字金融业务策略的数字金融业务策略个体标识值,考虑了非目标数字金融业务策略与目标数字金融业务策略在少量金融策略项上可能存在关联关系的情况,可以确定出较为优秀的数字金融业务策略作为目标数字金融业务策略,然后再确定出适合所述目标数字金融业务策略的用户进行推送。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于大数据的数字金融业务策略推送方法的步骤流程示意图;
图2为本申请实施例提供的步骤S300的子步骤流程示意图;
图3为本申请实施例提供的数据处理设备的示意图;
图4为本申请实施例提供的基于大数据的数字金融业务策略推送系统的功能模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1为本实施例提供的一种基于大数据的数字金融业务策略推送方法,下面对该方法的各个步骤进行详细阐述。
步骤S200,从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定用户对所述目标数字金融业务策略进行选用的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量。
在本实施例中,所述目标数字金融业务策略可以为基金、股票等数字金融业务策略,也可以为投资比例、投资方向、投资周期等多个策略项组成的策略集合。
所述目标数字金融业务策略的目标选择意愿衡量参数用于表征用户是否愿意选用所述目标数字金融业务策略。
在本实施例中,所述测试用户集合可以为所述用户集群的子集,优选地,所述测试用户集合中的用户数量应当远小于整个所述用户集群的用户数量。即在本实施例中,可以通过对少量用户的测试确定所述目标数字金融业务策略对应的大量待推送用户,并进行推送。
步骤S300,根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重。
在本实施例中,所述用户决策偏好项用于表征用户在选用数字金融业务策略时的偏好或者表征用户的自身的特性,例如,所述用户决策偏好项可以包括用户期望投资数额、风险承受能力、期望收益周期、期望收益率等等。
根据不同用户对应的目标选择意愿衡量参数的数值结合各个用户的用户决策偏好项,可以确定出不同用户决策偏好项分别对所述目标选择意愿衡量参数的影响程度,即本实施例中的所述决策权重。该决策权重用于指示用户决策偏好项对目标选择意愿衡量参数的影响程度,该决策权重越大,该用户决策偏好项对该目标选择意愿衡量参数的影响程度也越大,该决策权重越小,说明该用户决策偏好项对该目标选择意愿衡量参数的影响程度也越小。针对每个用户决策偏好项,可以根据正反馈用户集合中不同用户决策偏好项取值对应的用户数量分布情况,来确定该用户决策偏好项对目标选择意愿衡量参数的决策权重。当正反馈用户集合中该用户决策偏好项的不同用户决策偏好项取值对应的用户数量的分布越趋于均匀时,则该用户决策偏好项对目标选择意愿衡量参数的决策权重越小,否则,决策权重较大。
步骤S400,根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项。
在本实施例中,根据各所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,可以确定出对所述目标选择意愿衡量参数有较大影响的目标决策偏好项,这些目标决策偏好项也就是决定了用户是否会选用所述目标数字金融业务策略有重大影响的户决策偏好项。
步骤S500,根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户,向所述待推送用户发送所述目标数字金融业务策略。
在本实施例中,在根据测试用户集合确定出所述目标决策偏好项后,可以在其他用户中,根据各用户的目标决策偏好项的具体数值,确定出非用户是否为符合预设意愿度阈值的待推送用户,并针对确定出所述待推送用户发送所述目标数字金融业务策略。
基于上述设计,通过向少量测试用户组成的测试用户集合推送目标数字金融业务策略,确定出用户所具有的不同的用户决策偏好项中对用户选择使用目标数字金融业务策略具有较大影响的目标决策偏好项,再根据目标决策偏好项确定出待推送用户,并向待推送用户推送目标数字金融业务策略。如此,可以较为准确地确定出能够左右用户选择目标数字金融业务策略的用户决策偏好项,进而确定出可能需要目标数字金融业务策略的待推送用户,实现高效率高时效性的数字金融业务策略和用户的匹配推送。
在一种可能的实现方式中,可以使用数值1和0表征所述测试用户集合中的用户在被推送所述目标数字金融业务策略后是否选用了所述目标数字金融业务策略,然后统计选用和不选用的所述目标数字金融业务策略的用户占比作为所述目标选择意愿衡量参数。
在另一种可能的实现方式中,可以使用0到100表征所述测试用户集合中的用户在被推送所述目标数字金融业务策略后,用户反馈的是否希望选用所述目标数字金融业务策略的意愿百分比,然后计算各个用户的所述该意愿百分比的平均值作为所述目标选择意愿衡量参数。
在又一种可能的实现方式中,可以对用户在设定时间段内行为进行分析确定用户的所述目标选择意愿衡量参数的数值。
在一些可能的实现方式中,在步骤S200之前,所述方法还可以包括以下步骤:
步骤S110,获获取各个数字金融业务策略各自的策略项集合,所述策略项集合包括数字金融业务策略的各项金融策略项。
在本实施例中,所述金融策略项可以包括数字金融业务策略所具有的各项属性,例如,数字金融业务策略包括的金融产品(如,理财产品的标识)、动态收益率(年化收益、波动率、夏普比率、收益回撤比例等)、动态用户操作特征(日买入卖出数量、用户关注度、用户评论数量等)、买入卖出费率、买入卖出时间规则等等,在此不再一一举例。
步骤S120,根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱;所述策略信息知识图谱用于指示所述各个数字金融业务策略在对应的金融策略项下的关联关系。
可选的,所述策略信息知识图谱是由各个数字金融业务策略对应的数字金融业务策略节点,以及各个数字金融业务策略节点之间的连接关系组成的图。其中,带权无线图中的每条连接关系对应两个数字金融业务策略节点,连接关系的权重表示这两个数字金融业务策略节点对应的数字金融业务策略在对应的金融策略项下的关联关系。
在本实施例中,每种金融策略项分别对应一个策略信息知识图谱,不同的金融策略项对应的策略信息知识图谱中,相同的两个数字金融业务策略节点之间的连接关系的权重相同或者不同。
步骤S130,对所述各项金融策略项分别对应的策略信息知识图谱进行聚类处理,得到所述各项金融策略项各自的数字金融业务策略分类集合,所述数字金融业务策略分类集合包含按照对应的金融策略项划分的各个数字金融业务策略分类。
在本实施例中,每个数字金融业务策略分类包含至少两个数字金融业务策略,表示在对应的金融策略项下,该数字金融业务策略分类中的数字金融业务策略具有关联关系。
步骤S140,根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值。
可选的,数字金融业务策略分类的数字金融业务策略分类标识值指示数字金融业务策略分类中的数字金融业务策略是目标数字金融业务策略的概率。
步骤S150,根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值。
步骤S160,根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略。
综上所述,通过按照不同种类的金融策略项,分别对各个数字金融业务策略进行数字金融业务策略分类划分,并结合每个数字金融业务策略分类中的数字金融业务策略的金融策略项,确定各个数字金融业务策略分类的标识值,再通过数字金融业务策略所在的数字金融业务策略分类的标识值,确定数字金融业务策略的标识值,进而根据数字金融业务策略的标识值进行目标数字金融业务策略识别,由于在不同的金融策略项下,数字金融业务策略的数字金融业务策略分类划分也可能不同,而本实施例提供的方案中,数字金融业务策略在不同金融策略项下的数字金融业务策略分类划分情况,综合确定数字金融业务策略的数字金融业务策略个体标识值,考虑了非目标数字金融业务策略与目标数字金融业务策略在少量金融策略项上可能存在关联关系的情况,提高了目标数字金融业务策略识别的准确性。
通过上述方式,可以确定出较为优秀的数字金融业务策略作为目标数字金融业务策略,然后通过步骤S100到步骤S500筛选出合适的用户,并将该目标数字金融业务策略推送给合适的用户。
在一种可能的实现方式中,步骤S120中,根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱,可以包括以下子步骤:
步骤S121,根据所述各个数字金融业务策略各自的策略项集合中的第二金融策略项的策略项参数,生成所述第二金融策略项对应的策略特征无向图,所述第二金融策略项是所述各项金融策略项中的任意一项;所述第二金融策略项对应的策略特征无向图中包含所述各个数字金融业务策略分别对应的数字金融业务策略节点、所述第二金融策略项的各种策略项参数对应的策略项节点、以及所述数字金融业务策略节点与所述策略项节点之间的连接关系;所述数字金融业务策略节点与所述策略项节点之间的连接关系用于指示对应的数字金融业务策略具有对应的策略项参数。
在一种可能的实现方式中,各个数字金融业务策略分别对应的数字金融业务策略节点可以组成数字金融业务策略集合,第二金融策略项的各种策略项参数对应的策略项节点可以组成策略项参数集合,数字金融业务策略集合与策略项参数集合是通过读取策略项集合获取的。
其中,数字金融业务策略集合是包含有各个数字金融业务策略节点的集合,策略项参数可以是某一种类的策略项对应的参数,策略项参数集合可以是按照策略项参数种类确定的,各个种类的策略项对应的策略项参数集合可以包括对应种类的策略项的各个策略项参数。
步骤S122,根据各个所述策略项节点的相邻节点的数量,获取各个所述策略项节点的重要程度值;所述策略项节点的相邻节点是与所述策略项节点之间通过连接关系相连的数字金融业务策略节点;
步骤S123,根据各个所述数字金融业务策略节点的相邻节点的重要程度值,获取各个所述数字金融业务策略节点的重要程度值;所述数字金融业务策略节点的相邻节点是与所述数字金融业务策略节点之间通过连接关系相连的策略项节点;
步骤S124,根据各个所述策略项节点的重要程度值,以及各个所述数字金融业务策略节点的重要程度值,生成所述第一节点映射概率值集合;所述第一节点映射概率值集合用于指示各个所述数字金融业务策略节点分别向各个所述策略项节点映射的概率;
步骤S125,根据各个所述策略项节点的相邻节点的数量,生成所述第二节点映射概率值集合;所述第二节点映射概率值集合用于指示各个所述策略项节点分别向各个所述数字金融业务策略节点映射的概率;
步骤S126,将所述第一节点映射概率值集合与所述第二节点映射概率值集合相乘,得到第三节点映射概率值集合,所述第三节点映射概率值集合用于指示各个所述数字金融业务策略节点之间的映射概率;
步骤S127,根据所述第三节点映射概率值集合,在各个所述数字金融业务策略节点之间进行带重启的随机游走,得到各个所述数字金融业务策略节点之间的概率分布;
其中,重启随机游走算法是在随机游走算法的基础上进行改进的。从图中的某一个节点出发,每一步面临两个选择,随机选择相邻节点,或者返回开始节点。
步骤S128,将各个所述数字金融业务策略节点之间的概率分布叠加到各个所述数字金融业务策略节点之间的连接关系的重要程度值上,得到所述第二金融策略项对应的策略信息知识图谱。
在一种可能的实现方式中,在步骤S121之前,所述方法还可以包括:
步骤S1201,针对对应的策略项参数在取值区间具有相关性的所述第二金融策略项,通过自动分割法对各个所述策略项节点进行合并;
此类金融策略项可以包括数字金融业务策略的名称标识、数字金融业务策略的所述具体业务领域、数字金融业务策略的创立时间、以及数字金融业务策略的交易类型中的至少一种。
自动分割法可以包括,首先对第二金融策略项对应的策略项参数进行数据位数转化,然后按照策略项参数最高位的值,将策略项参数划分为至少一个类别,接下来获取至少一个类别中的数字金融业务策略数量,将至少一个类别中的数字金融业务策略数量与第一阈值进行比较,获取比较结果,最后根据比较结果对策略项参数进行合并处理。
步骤S1202,针对对应的所述策略项参数在取值空间中呈对数增长态势的所述第二金融策略项,通过指数增长分段法对各个所述策略项节点进行合并。
此类属性可以包括数字金融业务策略的计数属性。比如,数字金融业务策略的年化收益、收益周期等。
指数增长分段法可以包括,按照获取到的策略项参数的数值,对区间长度进行划分,然后根据确定的区间长度,对策略项参数进行合并。
在一种可能的实现方式中,步骤S140中,根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值,可以包括以下子步骤:
步骤S141,获取目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量;所述目标数字金融业务策略分类是所述各个数字金融业务策略分类中的任意一个;所述目标策略项参数数量是对应标的金融策略项的策略项参数的数量;
其中,所述标的金融策略项为可以衡量所述数字金融业务策略优秀成都的金融策略项,例如可以为年化收益、波动率、夏普比率、收益回撤比例等等。
步骤S142,获取所述目标数字金融业务策略分类的策略项参数数量分布均方差,所述策略项参数数量分布均方差是所述目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量的分布均方差;
在本公开实施例中,计算目标数字金融业务策略分类中各个数字金融业务策略对应的目标策略项参数数量的分布均方差。其中,策略项参数数量分布均方差是目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量的分布均方差。
步骤S143,对所述标的金融策略项对应的各个数字金融业务策略分类的策略项参数数量分布均方差做归一化处理;
在本公开实施例中,通过获取标的金融策略项对应的各个数字金融业务策略分类的策略项参数数量分布均方差,比较各个数字金融业务策略分类的策略项参数数量分布均方差,确定分布均方差最大值和分布均方差最小值,将各个数字金融业务策略分类的分布均方差值和该数字金融业务策略分类最大分布均方差值做归一化处理。
步骤S144,将所述目标数字金融业务策略分类的策略项参数数量分布均方差的归一化结果,作为所述目标数字金融业务策略分类的数字金融业务策略分类标识值。
在一种可能的实现方式例中,可以将目标数字金融业务策略分类对应的分布均方差归一化结果映射为目标数字金融业务策略分类的数字金融业务策略分类标识值。其中,分布均方差归一化结果对应的数值越大,表示该数字金融业务策略分类中数字金融业务策略的该金融策略项的同质性越高,表示该数字金融业务策略分类的恶意程度越高。
在一些可能的实现方式中,步骤S150,根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值,可以包括以下子步骤:
步骤S151,获取目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值;所述目标数字金融业务策略是所述各个数字金融业务策略中的任意一个;
在一种可能的实现方式中,目标数字金融业务策略在至少一个数字金融业务策略分类的数字金融业务策略分类标识值,各个数字金融业务策略分类标识值代表目标数字金融业务策略在各个数字金融业务策略分类对应的金融策略项的恶意程度。比如,可以获取目标数字金融业务策略A在针对于IP地址属性的数字金融业务策略分类的数字金融业务策略分类标识值,也可以获取目标数字金融业务策略A在针对于版本号属性的数字金融业务策略分类的数字金融业务策略分类标识值。
步骤S152,根据所述目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值,构建所述目标数字金融业务策略的带权策略项向量;
在本公开实施例中,目标数字金融业务策略所在的各个数字金融业务策略分类的数字金融业务策略分类标识值,以及各个数字金融业务策略分类对应的金融策略项在计算标识值时所占的权重可以共同构成目标数字金融业务策略的带权策略项向量。
步骤S153,将所述目标数字金融业务策略的带权策略项向量的归一化长度,作为所述目标数字金融业务策略的数字金融业务策略个体标识值。
其中,数字金融业务策略个体标识值可以对应为目标数字金融业务策略的带权策略项向量的归一化长度,目标数字金融业务策略的带权策略项向量的归一化长度可以通过如下所述的公式进行计算,
在一些可能的实现方式中,步骤S160,根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略,可以包括以下子步骤:
步骤S161,将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于预设阈值的数字金融业务策略,识别为所述目标数字金融业务策略;或者
步骤S162,将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于标识值均值的数字金融业务策略,识别为所述目标数字金融业务策略;所述标识值均值是所述各个数字金融业务策略的数字金融业务策略个体标识值的平均值。
在一些可能的实现方式中,步骤S200中,确定用户对所述目标数字金融业务策略进行选用的目标选择意愿衡量参数的数值的动作,可以包括以下子步骤:
步骤S201,在设定时间段内,获取所述用户的社交交互数据、咨询浏览数据及金融行为操作序列。
在本实施例中,所述行为数据可以具有多种行为数据统计项目,例如,所述行为数据统计项目可以包括金融行为操作行为数据统计项目、咨询浏览行为数据统计项目和社交交互行为数据统计项目等等,根据对各行为数据统计项目下的信息的分析处理,可以提取出该用户行为多行为数据统计项目的行为数据。
其中,所述用户的社交交互数据可以包括聊天文本、社交好友关系等。所述咨询浏览行为数据可以包括用户咨询的浏览记录,特别地,可以包括对金融和政治信息的浏览记录。所述金融行为操作行为数据可以包括对数字金融业务策略的购买、理财账户的管理等等动作行为数据。
步骤S202,通过所述行为特征检测模型,对所述社交交互数据进行特征提取,得到所述用户在社交交互行为数据统计项目下的社交交互分项行为特征向量。
在本实施例中,所述行为特征提取模型可以对所述社交交互数据进行文本特征提取。例如,可以通过卷积神经网络、双向编码器表示模型或自注意模型等对社交交互数据进行特征提取,得到社交交互分项行为特征向量。
步骤S203,通过所述行为特征检测模型,对所述咨询浏览数据中的各个咨询浏览页面进行特征提取,得到所述咨询浏览数据中的各个咨询浏览页面的咨询浏览分项行为特征向量,并将各个咨询浏览页面的咨询浏览分项行为特征向量进行融合,得到所述用户在咨询浏览行为数据统计项目下的咨询浏览分项行为特征向量。
在本实施例中,可以通过何组网络对各个咨询浏览页面进行特征提取,得到各个咨询浏览页面的咨询浏览分项行为特征向量,再通过局部聚合向量网络各个咨询浏览页面的咨询浏览分项行为特征向量进行融合,得到用户在咨询浏览行为数据统计项目下的咨询浏览分项行为特征向量。
步骤S204,通过所述行为特征检测模型,对所述咨询浏览数据中的各个咨询浏览页面进行特征提取,得到所述咨询浏览数据中的各个咨询浏览页面的咨询浏览分项行为特征向量,并将各个咨询浏览页面的咨询浏览分项行为特征向量进行融合,得到所述用户在咨询浏览行为数据统计项目下的咨询浏览分项行为特征向量。
在本实施例中,可以通过开端模型或效率网络对金融行为操作序列中的各个金融行为操作进行卷积运算以及池化运算,得到各个金融行为操作的金融行为操作分项行为特征向量,再通过局部聚合向量网络对各个金融行为操作的金融行为操作分项行为特征向量进行融合,得到用户在金融行为操作行为数据统计项目下的金融行为操作分项行为特征向量。
步骤S205,将所述社交交互分项行为特征向量、所述咨询浏览分项行为特征向量以及所述金融行为操作分项行为特征向量进行融合,得到所述用户的金融行为特征向量。
在本实施例中,融合的方式可以是对社交交互分项行为特征向量、咨询浏览分项行为特征向量以及金融行为操作分项行为特征向量进行加权运算。
步骤S206,通过所述行为特征检测模型,根据所述金融行为特征向量,确定所述用户的目标选择意愿衡量参数。
在本实施例中,可以通过所述行为特征检测模型的分类网络来确定用户的目标选择意愿衡量参数,该分类网络具体可以是支持向量机,也可以是全连接深度神经网络等等,本实施例对此不做限制。
在本实施例中,所述行为特征检测模型包括特征提取网络和分类网络。所述行为特征检测模型的训练过程可以包括以下步骤:
步骤S211,获取模型训练数据,所述模型训练数据包括训练用户样本以及所述训练用户样本的实际目标选择意愿衡量参数。
步骤S212,通过特征提取网络,获取所述训练用户样本在至少一个行为数据统计项目下的行为数据,对各行为数据统计项目下的行为数据进行特征提取,得到所述训练用户样本在各所述行为数据统计项目下的分项行为特征向量,根据各所述行为数据统计项目下的分项行为特征向量,确定所述训练用户样本的金融行为特征向量。
具体地,可以通过所述特征提取网络,对训练用户样本的所述社交交互数据进行特征提取,得到所述用户在社交交互行为数据统计项目下的社交交互分项行为特征向量;对训练用户样本的所述咨询浏览数据中的各个咨询浏览页面进行特征提取,得到所述咨询浏览数据中的各个咨询浏览页面的咨询浏览分项行为特征向量,并将各个咨询浏览页面的咨询浏览分项行为特征向量进行融合,得到所述用户在咨询浏览行为数据统计项目下的咨询浏览分项行为特征向量;对训练用户样本的所述金融行为操作序列中的各个金融行为操作进行特征提取,得到所述金融行为操作序列中的各个金融行为操作的金融行为操作分项行为特征向量,并将各个金融行为操作的金融行为操作分项行为特征向量进行融合,得到所述用户在金融行为操作行为数据统计项目下的金融行为操作分项行为特征向量。
步骤S213,通过所述分类网络,根据所述特征提取网络获取的金融行为特征向量,分别确定所述训练用户样本在对应的预设风险类型上的预测目标选择意愿衡量参数。
步骤S214,根据所述预测目标选择意愿衡量参数和所述实际目标选择意愿衡量参数,调整行为特征检测模型的参数。
在本实施例中,可以根据反向传播算法对行为特征检测模型的参数进行调整,以使所述预测目标选择意愿衡量参数趋近于实际目标选择意愿衡量参数,例如可以使所述预测目标选择意愿衡量参数与所述实际目标选择意愿衡量参数的差值小于预设值。
在一些可能的实现方式中,请参照图2,步骤S300中,根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重的动作,可以包括以下子步骤:
步骤S310,获取向所述测试用户集合推送所述目标数字金融业务策略之前各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值,以及向所述测试用户集合推送所述目标数字金融业务策略之后各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值。
步骤S320,确定所述目标选择意愿衡量参数的数值的变化值。
在本实施例中,可以获取向所述测试用户集合推送所述目标数字金融业务策略前后,所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值的变化值。该变化值可以表征在被推送所述目标数字金融业务策略后用户的意愿变化程度。
步骤S330,根据所述目标选择意愿衡量参数的数值的变化值,确定所述测试用户集合中的正反馈用户集合,所述正反馈用户集合为对应的目标选择意愿衡量参数的数值增大的用户的集合。
在本实施例中,所述变化值为增大的用户为在被推送所述目标数字金融业务策略后对所述目标数字金融业务策略进行选用的意愿提高的用户。这些意愿提高的用户可以表征其所具有的用户决策偏好项可能与所述目标数字金融业务策略具有相符的地方,因此进一步执行步骤S340。
步骤S340,针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量。
在本实施例中,所述正反馈用户集合中的各用户选用了所述目标数字金融业务策略,因此可以对所述正反馈用户集合中的各个用户的各个用户决策偏好项的不同取值对应的用户数量进行统计,例如,当用户决策偏好项为年收入时,统计各个年收入数值段的用户数量;当用户决策偏好项为是否具有稳定工作时,统计“是”、“否”两个选项的用户数量。
步骤S350,根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度。
在本实施例中,可以优先关注避免向不合适的用户推送不合适目标数字金融业务策略,因此可以由优先关注所述用户决策偏好项对不选择所述目标数字金融业务策略的负向影响程度。
步骤S360,根据所述负向影响程度确定所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,其中,所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重和所述负向影响程度负相关。
在本实施例中,在获得所述负向影响程度后,可以通过类似求取信息熵的方式确定所述目标选择意愿衡量参数的决策权重,其中所述负向影响程度越小,对应的所述目标选择意愿衡量参数的决策权重越大。
在一种可能的实现方式中,所述用户决策偏好项包括类别类型的用户决策偏好项,所述类别类型的用户决策偏好项的用户决策偏好项取值对应于至少两个类别。例如,当所述用户决策偏好项为用户性别时,所述用户决策偏好项取值对应男女两个类别;当所述用户决策偏好项为用户学历时,所述用户决策偏好项取值对应小学、初中、高中、本科、研究生等多个类别。
步骤S340中针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量的动作,可以包括以下子步骤:
步骤S341,针对所述类别类型的用户决策偏好项,统计所述类别类型的用户决策偏好项的多个类别中每个类别对应的用户数。
步骤S342,根据所述正反馈用户集合的用户数和每个所述类别对应的用户数,确定所述正反馈用户集合中每个类别对应的用户数量。
在另一种可能的实现方式中,所述用户决策偏好项包括数值类型的用户决策偏好项。例如,当所述用户决策偏好项为用户年收入时,所述用户决策偏好项取值对应于不同用户的年收入数值。
步骤S340中针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量的动作,可以包括以下子步骤:
步骤S343,针对所述数值类型的用户决策偏好项,根据所述数值类型的用户决策偏好项的用户决策偏好项取值范围,确定多个数值范围拆分点;
步骤S344,针对每个数值范围拆分点,将所述数值类型的用户决策偏好项的用户决策偏好项取值范围划分为两个数值范围;
步骤S345,根据所述正反馈用户集合的用户数和每个数值范围对应的用户数,确定所述正反馈用户集合中每个数值范围对应的用户数量。
例如,用户年收入取值范围为0至200万,可以先1为拆分点,将所述正反馈用户集合中的用户划分为用户年收入小于1万的第一集合和以及年收入大于1万且小于等于200万第二集合,然后将该数值范围拆分点增大为2万再次按照上述过程进行划分,得到年收入大于等于2的第三集合和年收入大于等于2且小于等于200第四集合,以此类推,直至计算出数值范围拆分点为200万时两个划分的用户集合的用户数量。
在上述基础上,步骤S350根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度的动作,可以包括以下子步骤:
步骤S351,针对每个所述数值范围拆分点,根据所述数值范围拆分点对应的每个数值范围对应的用户数量,确定所述数值类型的用户决策偏好项按照所述数值范围拆分点拆分时对所述目标选择意愿衡量参数的第一负向影响程度,得到多个第一负向影响程度。
步骤S352,将多个所述第一负向影响程度中最小值,确定为所述数值类型的用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度。
换句话说,在本实施例中通过上述统计方法在多种数值范围拆分点中可以确定出一个负向影响程度最少的拆分方,进而确定为所述数值类型的用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度。
在一种可能的实现方式中,步骤S400中根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项的动作,可以包括以下子步骤:
步骤S410,根据多个所述用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中确定出决策权重最大的目标用户决策偏好项。
在本实施例中,可以根据每个用户决策偏好项对目标选择意愿衡量参数的负向影响程度,筛选出负向影响程度的数值最大的用户决策偏好项作为本次筛选出的目标用户决策偏好项。
步骤S420,针对所述目标用户决策偏好项的每个用户决策偏好项取值,根据正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定每个所述用户决策偏好项取值中用户数量大于用户数量阈值的目标决策偏好项取值。
其中,所述用户数量阈值的大小可以根据需要实际需要进行设置,在本申请实施例中不做具体限定。在一个可能示例中,还可以根据该目标决策偏好项取值,删除正反馈用户集合中该目标用户决策偏好项的用户决策偏好项取值为该目标决策偏好项取值的目标测试用户。
步骤S430,根据对所述正反馈用户集合中目标测试用户的用户决策偏好项分析,确定多个非目标用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,所述目标测试用户为所述正反馈用户集合中目标用户决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的用户,多个所述非目标用户决策偏好项为多个所述用户决策偏好项中除所述目标用户决策偏好项以外的用户决策偏好项。
在本实施例中,确定非目标用户决策偏好项对目标选择意愿衡量参数的决策权重时,可以针对每个非目标用户决策偏好项,该服务器根据该非目标用户决策偏好项的每个用户决策偏好项取值,统计该正反馈用户集合的目标测试用户中,每个用户决策偏好项取值对应的用户数量,根据目标测试用户中每个用户决策偏好项取值对应的用户数量,确定该非目标用户决策偏好项对该目标选择意愿衡量参数的负向影响程度。
步骤S440,根据多个所述非目标用户决策偏好项,重复执行目标用户决策偏好项确定步骤和目标用户决策偏好项的目标决策偏好项取值的确定步骤,直至筛选出预设决策偏好项数量个目标用户决策偏好项,将所述预设决策偏好项数量个目标用户决策偏好项作为所述目标决策偏好项。
在本实施例中,针对每个非目标用户决策偏好项,可以重复执行确定目标用户决策偏好项和目标用户决策偏好项的目标决策偏好项取值的执行过程,再次筛选出一个目标用户决策偏好项以及根据本次筛选出的目标用户决策偏好项,确定出目标测试用户;直至筛选出预设决策偏好项数量个目标用户决策偏好项,再将该预设决策偏好项数量个目标用户决策偏好项作为目标决策偏好项。
在另一种可能的实现方式中,可以结合不同用户决策偏好项取值对应的用户数量,来筛选符合该预设意愿度阈值的待推送用户。步骤S500中根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户的动作,可以包括以下步骤:
步骤S510,根据所述目标决策偏好项的每个用户决策偏好项取值,从每个所述用户决策偏好项取值中筛选出对应的用户在所述正反馈用户集合中用户数量大于用户数量阈值的目标决策偏好项取值。
步骤S520,根据所述目标决策偏好项的目标决策偏好项取值,从所述用户集群中筛选出目标决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的待推送用户。
另一种可能的实现方式中,当该目标决策偏好项的数目为多个时,可以根据该多个目标决策偏好项来筛选用户集合。所述待推送用户包括第一待推送用户和第二待推送用户。
步骤S500中根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户的动作,可以包括以下步骤:
步骤S530,针对所述预设决策偏好项数量个目标决策偏好项中首次筛选出的第一目标决策偏好项,从所述用户集群中筛选出所述第一目标决策偏好项的用户决策偏好项取值为第一目标决策偏好项取值的第一待推送用户。
步骤S540,针对所述预设决策偏好项数量个目标决策偏好项中,除所述第一目标决策偏好项以外的第二目标决策偏好项,从上一次筛选的待推送用户中,筛选出所述第二目标决策偏好项的用户决策偏好项取值为第二目标决策偏好项取值的第二待推送用户。
进一步地,还可以针对每个目标决策偏好项,根据所述目标决策偏好项在所述预设决策偏好项数量个目标决策偏好项中的筛选顺序,确定所述目标决策偏好项的偏好重要度,所述目标决策偏好项的筛选顺序越靠前,所述目标决策偏好项的偏好重要度越高。
请参照图3,图3为本实施例提供的一种数据处理设备100的示意图,该数据处理设备100可以为服务器、平板电脑等具有数据处理能力的电子设备。所述数据处理设备100包括基于大数据的数字金融业务策略推送系统110、机器可读存储介质120及处理器130。
所述机器可读存储介质120、处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于大数据的数字金融业务策略推送系统110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述数据处理设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块,例如所述基于大数据的数字金融业务策略推送系统110所包括的软件功能模块及计算机程序等。
所述机器可读存储介质120可以是,但不限于,随机存取存储器(Random AccessMemory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,简称EEPROM)等。其中,机器可读存储介质120用于存储程序,处理器130在接收到执行指令后,执行所述程序。所述处理器130以及其他可能的组件对机器可读存储介质120的访问可在所述存储控制器212的控制下进行。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit, 简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图4,本实施例还提供一种基于大数据的数字金融业务策略推送系统110,基于大数据的数字金融业务策略推送系统110包括至少一个可以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分,基于大数据的数字金融业务策略推送系统110可以包括数据获取模块111、数据处理模块112及推送模块113。
数据获取模块111,用于从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定所述目标数字金融业务策略的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量。
本实施例中,所述数据获取模块111可用于执行图1所示的步骤S200,关于所述数据获取模块111的具体描述可参对所述步骤S200的描述。
数据处理模块112,用于根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重;根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项。
本实施例中,所述数据处理模块112可用于执行图1所示的步骤S300到S400,关于所述数据处理模块112的具体描述可参对所述步骤S300到S400的描述。
推送模块113,用于根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向所述待推送用户发送所述目标数字金融业务策略。
本实施例中,所述推送模块113可用于执行图1所示的步骤S500,关于所述推送模块113的具体描述可参对所述步骤S500的描述。
综上所述,本申请提供了一种基于大数据的数字金融业务策略推送方法及系统,通过向测试用户集合推送目标数字金融业务策略,确定出用户所具有的不同的用户决策偏好项中对用户选择使用目标数字金融业务策略具有较大影响的目标决策偏好项,再根据目标决策偏好项确定出待推送用户,并向待推送用户推送目标数字金融业务策略。如此,可以较为准确地确定出能够左右用户选择目标数字金融业务策略的用户决策偏好项,进而确定出可能需要目标数字金融业务策略的待推送用户,实现高效率高时效性的数字金融业务策略和用户的匹配推送。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的数字金融业务策略推送方法,其特征在于,所述方法包括:
从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定用户对所述目标数字金融业务策略进行选用的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量;
根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重;
根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项;
根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向所述待推送用户发送所述目标数字金融业务策略。
2.根据权利要求1所述的方法,在所述向所述测试用户集合中的多个用户推送目标数字金融业务策略的步骤之前,所述方法还包括:
获取各个数字金融业务策略各自的策略项集合,所述策略项集合包括数字金融业务策略的各项金融策略项;
根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱;所述策略信息知识图谱用于指示所述各个数字金融业务策略在对应的金融策略项下的关联关系;
对所述各项金融策略项分别对应的策略信息知识图谱进行聚类处理,得到所述各项金融策略项各自的数字金融业务策略分类集合,所述数字金融业务策略分类集合包含按照对应的金融策略项划分的各个数字金融业务策略分类;
根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值;
根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值;
根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略。
3.根据权利要求2所述的方法,其特征在于,所述根据所述各个数字金融业务策略各自的策略项集合,生成所述各项金融策略项分别对应的策略信息知识图谱的步骤,包括:
根据所述各个数字金融业务策略各自的策略项集合中的第二金融策略项的策略项参数,生成所述第二金融策略项对应的策略特征无向图,所述第二金融策略项是所述各项金融策略项中的任意一项;所述第二金融策略项对应的策略特征无向图中包含所述各个数字金融业务策略分别对应的数字金融业务策略节点、所述第二金融策略项的各种策略项参数对应的策略项节点、以及所述数字金融业务策略节点与所述策略项节点之间的连接关系;所述数字金融业务策略节点与所述策略项节点之间的连接关系用于指示对应的数字金融业务策略具有对应的策略项参数;
根据各个所述策略项节点的相邻节点的数量,获取各个所述策略项节点的重要程度值;所述策略项节点的相邻节点是与所述策略项节点之间通过连接关系相连的数字金融业务策略节点;
根据各个所述数字金融业务策略节点的相邻节点的重要程度值,获取各个所述数字金融业务策略节点的重要程度值;所述数字金融业务策略节点的相邻节点是与所述数字金融业务策略节点之间通过连接关系相连的策略项节点;
根据各个所述策略项节点的重要程度值,以及各个所述数字金融业务策略节点的重要程度值,生成第一节点映射概率值集合;所述第一节点映射概率值集合用于指示各个所述数字金融业务策略节点分别向各个所述策略项节点映射的概率;
根据各个所述策略项节点的相邻节点的数量,生成第二节点映射概率值集合;所述第二节点映射概率值集合用于指示各个所述策略项节点分别向各个所述数字金融业务策略节点映射的概率;
将所述第一节点映射概率值集合与所述第二节点映射概率值集合相乘,得到第三节点映射概率值集合,所述第三节点映射概率值集合用于指示各个所述数字金融业务策略节点之间的映射概率;
根据所述第三节点映射概率值集合,在各个所述数字金融业务策略节点之间进行带重启的随机游走,得到各个所述数字金融业务策略节点之间的概率分布;
将各个所述数字金融业务策略节点之间的概率分布叠加到各个所述数字金融业务策略节点之间的连接关系的重要程度值上,得到所述第二金融策略项对应的策略信息知识图谱;
其中,在根据所述第二金融策略项对应的策略特征无向图,生成所述第二金融策略项对应的策略信息知识图谱之前,还包括:
针对对应的策略项参数在取值区间具有相关性的所述第二金融策略项,通过自动分割法对各个所述策略项节点进行合并;
针对对应的所述策略项参数在取值空间中呈对数增长态势的所述第二金融策略项,通过指数增长分段法对各个所述策略项节点进行合并。
4.根据权利要求2所述的方法,其特征在于,所述根据所述各个数字金融业务策略分类中的数字金融业务策略的金融策略项,获取所述各个数字金融业务策略分类的数字金融业务策略分类标识值的步骤,包括:
获取目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量;所述目标数字金融业务策略分类是所述各个数字金融业务策略分类中的任意一个;所述目标策略项参数数量是对应标的金融策略项的策略项参数的数量;
获取所述目标数字金融业务策略分类的策略项参数数量分布均方差,所述策略项参数数量分布均方差是所述目标数字金融业务策略分类中的数字金融业务策略各自的目标策略项参数数量的分布均方差;
对所述标的金融策略项对应的各个数字金融业务策略分类的策略项参数数量分布均方差做归一化处理;
将所述目标数字金融业务策略分类的策略项参数数量分布均方差的归一化结果,作为所述目标数字金融业务策略分类的数字金融业务策略分类标识值;
所述根据所述各个数字金融业务策略分类的数字金融业务策略分类标识值,获取所述各个数字金融业务策略的数字金融业务策略个体标识值的步骤,包括:
获取目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值;所述目标数字金融业务策略是所述各个数字金融业务策略中的任意一个;
根据所述目标数字金融业务策略所在数字金融业务策略分类的数字金融业务策略分类标识值,构建所述目标数字金融业务策略的带权策略项向量;
将所述目标数字金融业务策略的带权策略项向量的归一化长度,作为所述目标数字金融业务策略的数字金融业务策略个体标识值。
5.根据权利要求2所述的方法,其特征在于,所述根据所述各个数字金融业务策略的数字金融业务策略个体标识值,从所述各个数字金融业务策略中识别出目标数字金融业务策略的步骤,包括:
将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于预设阈值的数字金融业务策略,识别为所述目标数字金融业务策略;或者
将所述各个数字金融业务策略中,对应的数字金融业务策略个体标识值大于标识值均值的数字金融业务策略,识别为所述目标数字金融业务策略;所述标识值均值是所述各个数字金融业务策略的数字金融业务策略个体标识值的平均值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重的步骤,包括:
获取向所述测试用户集合推送所述目标数字金融业务策略之前各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值,以及向所述测试用户集合推送所述目标数字金融业务策略之后各所述测试用户集合中各所述目标数字金融业务策略的目标选择意愿衡量参数的数值;
确定所述目标选择意愿衡量参数的数值的变化值;
根据所述目标选择意愿衡量参数的数值的变化值,确定所述测试用户集合中的正反馈用户集合,所述正反馈用户集合为对应的目标选择意愿衡量参数的数值增大的用户的集合;
针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量;
根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度;
根据所述负向影响程度确定所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,其中,所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重和所述负向影响程度负相关。
7.根据权利要求6所述的方法,其特征在于,所述用户决策偏好项包括类别类型的用户决策偏好项,所述类别类型的用户决策偏好项的用户决策偏好项取值对应于至少两个类别;
所述针对每个用户决策偏好项的每个用户决策偏好项取值,统计所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量的步骤,包括:
针对所述类别类型的用户决策偏好项,统计所述类别类型的用户决策偏好项的多个类别中每个类别对应的用户数;根据所述正反馈用户集合的用户数和每个所述类别对应的用户数,确定所述正反馈用户集合中每个类别对应的用户数量;所述用户决策偏好项还包括数值类型的用户决策偏好项;
针对所述数值类型的用户决策偏好项,根据所述数值类型的用户决策偏好项的用户决策偏好项取值范围,确定多个数值范围拆分点;针对每个数值范围拆分点,将所述数值类型的用户决策偏好项的用户决策偏好项取值范围划分为两个数值范围;根据所述正反馈用户集合的用户数和每个数值范围对应的用户数,确定所述正反馈用户集合中每个数值范围对应的用户数量;
所述根据所述正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定所述用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度的步骤,包括:
针对每个所述数值范围拆分点,根据所述数值范围拆分点对应的每个数值范围对应的用户数量,确定所述数值类型的用户决策偏好项按照所述数值范围拆分点拆分时对所述目标选择意愿衡量参数的第一负向影响程度,得到多个第一负向影响程度;
将多个所述第一负向影响程度中最小值,确定为所述数值类型的用户决策偏好项对所述目标选择意愿衡量参数的负向影响程度。
8.根据权利要求6所述的方法,其特征在于,所述根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项的步骤,包括:
根据多个所述用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中确定出决策权重最大的目标用户决策偏好项;
针对所述目标用户决策偏好项的每个用户决策偏好项取值,根据正反馈用户集合中每个用户决策偏好项取值对应的用户数量,确定每个所述用户决策偏好项取值中用户数量大于用户数量阈值的目标决策偏好项取值;
根据对所述正反馈用户集合中目标测试用户的用户决策偏好项分析,确定多个非目标用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重,所述目标测试用户为所述正反馈用户集合中目标用户决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的用户,多个所述非目标用户决策偏好项为多个所述用户决策偏好项中除所述目标用户决策偏好项以外的用户决策偏好项;
根据多个所述非目标用户决策偏好项,重复执行目标用户决策偏好项确定步骤和目标用户决策偏好项的目标决策偏好项取值的确定步骤,直至筛选出预设决策偏好项数量个目标用户决策偏好项,将所述预设决策偏好项数量个目标用户决策偏好项作为所述目标决策偏好项。
9.根据权利要求6所述的方法,其特征在于,所述根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户的步骤,包括:
根据所述目标决策偏好项的每个用户决策偏好项取值,从每个所述用户决策偏好项取值中筛选出对应的用户在所述正反馈用户集合中用户数量大于用户数量阈值的目标决策偏好项取值;
根据所述目标决策偏好项的目标决策偏好项取值,从所述用户集群中筛选出目标决策偏好项的用户决策偏好项取值为所述目标决策偏好项取值的待推送用户。
10.一种基于大数据的数字金融业务策略推送系统,其特征在于,所述系统包括:
数据获取模块,用于从用户集群中选取测试用户集合,向所述测试用户集合中的多个用户推送目标数字金融业务策略,确定所述目标数字金融业务策略的目标选择意愿衡量参数的数值;所述测试用户集合中的用户数量小于整个所述用户集群中的用户数量;
数据处理模块,用于根据所述目标数字金融业务策略的目标选择意愿衡量参数的数值,确定用户的用户决策偏好项分别对所述目标选择意愿衡量参数的决策权重;根据多个所述用户决策偏好项对所述目标选择意愿衡量参数的决策权重,从所述用户决策偏好项中筛选出决策权重满足预设权重阈值的目标决策偏好项;
推送模块,用于根据所述目标决策偏好项,从所述用户集群筛选出目标决策偏好项符合预设意愿度阈值的待推送用户;向所述待推送用户发送所述目标数字金融业务策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028031.4A CN113554501A (zh) | 2021-09-02 | 2021-09-02 | 基于大数据的数字金融业务策略推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028031.4A CN113554501A (zh) | 2021-09-02 | 2021-09-02 | 基于大数据的数字金融业务策略推送方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554501A true CN113554501A (zh) | 2021-10-26 |
Family
ID=78106202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028031.4A Withdrawn CN113554501A (zh) | 2021-09-02 | 2021-09-02 | 基于大数据的数字金融业务策略推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554501A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080162238A1 (en) * | 2006-12-28 | 2008-07-03 | Rajesh Venkat Subbu | Methods and interface for set-partitioning decision support tool |
CN112199715A (zh) * | 2020-09-24 | 2021-01-08 | 王海宏 | 基于区块链和云计算的对象生成方法及数字金融服务中心 |
CN112905881A (zh) * | 2020-09-01 | 2021-06-04 | 张富平 | 基于区块链离线支付的信息推送方法及信息推送系统 |
CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
-
2021
- 2021-09-02 CN CN202111028031.4A patent/CN113554501A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080162238A1 (en) * | 2006-12-28 | 2008-07-03 | Rajesh Venkat Subbu | Methods and interface for set-partitioning decision support tool |
CN112905881A (zh) * | 2020-09-01 | 2021-06-04 | 张富平 | 基于区块链离线支付的信息推送方法及信息推送系统 |
CN112199715A (zh) * | 2020-09-24 | 2021-01-08 | 王海宏 | 基于区块链和云计算的对象生成方法及数字金融服务中心 |
CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10685044B2 (en) | Identification and management system for log entries | |
Bauder et al. | The effects of varying class distribution on learner behavior for medicare fraud detection with imbalanced big data | |
CN110956224B (zh) | 评估模型生成、评估数据处理方法、装置、设备及介质 | |
Warren et al. | Do different methods for modeling age-graded trajectories yield consistent and valid results? | |
US9489627B2 (en) | Hybrid clustering for data analytics | |
CN110991474A (zh) | 一种机器学习建模平台 | |
US20120296835A1 (en) | Patent scoring and classification | |
CN111368147B (zh) | 图特征处理的方法及装置 | |
US20230410020A1 (en) | Systems and methods for real-time lead grading | |
CN114780606B (zh) | 一种大数据挖掘方法及系统 | |
CN112070559A (zh) | 状态获取方法和装置、电子设备和存储介质 | |
CN113568952A (zh) | 一种物联网资源数据分析方法 | |
CN113554501A (zh) | 基于大数据的数字金融业务策略推送方法及系统 | |
CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理系统 | |
Himani et al. | A comparative study on machine learning based prediction of citations of articles | |
Tounkara et al. | Mixture regression models for closed population capture–recapture data | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN113688206A (zh) | 基于文本识别的趋势分析方法、装置、设备及介质 | |
CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
CN113538020B (zh) | 获取客群特征关联度方法、装置、存储介质和电子装置 | |
CN118229428A (zh) | 基于模型分析的资产数据采集处理方法、系统及存储介质 | |
CN112907306B (zh) | 一种客户满意度判别方法及装置 | |
CN111754056B (zh) | 模型评估方法以及相关装置 | |
CN115409113A (zh) | 风险组合对象的预测方法、装置、计算机设备和存储介质 | |
Zhang | An intelligent recommendation method of remote ideological and political education resources based on user clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211026 |
|
WW01 | Invention patent application withdrawn after publication |